论文部分内容阅读
多新息辨识通过推广单新息修正理念,扩展辨识新息的维数,充分利用新息作为有用信息能改善参数估计和状态估计精度的特性,提高辨识效果。论文研究多新息辨识方法及其收敛性,选题具有理论意义和学术价值。论文主要工作如下。(1)针对Box-Jenkins系统,利用随机鞅理论分析了辅助模型多新息广义增广随机梯度算法的收敛性,在持续激励的条件下,证明了参数估计收敛于真实参数。为了减少有色噪声对系统参数估计的影响,通过线性滤波器对观测数据进行滤波,提出了基于数据滤波的多新息广义增广随机梯度算法,提高了多新息辨识算法在同等新息长度下的参数辨识精度。进一步,将提出的算法推广到多变量Box-Jenkins系统的辨识。(2)针对双线性参数系统,利用过参数化技术将系统的输出表达成观测数据与参数乘积的线性组合,结合多新息辨识理论与负梯度搜索,推导了基于过参数化模型的多新息随机梯度算法。为了避免过参数化导致的冗余参数问题,利用递阶辨识理论,推导了递阶多新息随机梯度算法,并从理论上分析了算法的性能。为了获取更高的参数估计精度,将数据滤波技术与多新息辨识理论相结合,提出了有色噪声干扰下双线性参数系统基于数据滤波的多新息随机梯度算法。进一步,将提出的算法推广用于估计多变量双线性参数系统的参数。(3)针对输入非线性状态空间系统,基于动态线性子系统的能观测性规范型,导出了系统的辨识模型,其特征是既含有线性子模块和非线性输入的参数乘积,又含有不可量测的系统状态。针对上述特点,将辨识模型分解为两个子模型,信息向量中未知状态用估计的状态代替以估算系统参数,根据量测数据和已计算的参数估计,利用Kalman滤波原理估计系统的状态,执行交互运算,提出了基于Kalman滤波的递阶多新息随机梯度算法,实现系统参数和状态的联合估计。进而在设计状态观测器的基础上,利用数据滤波技术,推导了基于状态观测器和数据滤波的多新息辨识算法,提高参数估计精度。论文对提出的一些辨识方法都利用数值例子进行了仿真研究,验证了提出方法的性能,对几个重要辨识算法在理论上进行了收敛性能分析。